Durch die Regulierung der Banken sollten das Risikomanagement, das Reporting und die Entscheidungsfindung verbessert werden, doch viele Geldhรคuser fรคllt es schwer, eine effektive Datenarchitektur und -aggregation zur Einhaltung von Daten-Governance und Qualitรคtssicherung zu generieren.
Aufgrund der hรคufigen รnderungen der Datenmodelle in der Finanzbranche ist die Bereitstellung einer harmonisiertenย standardisierten Sicht auf Daten zu bestimmten Zeitpunkten (hรคufig als Kongruenz bezeichnet) keine sehr einfache Aufgabe. Viele Banken versuchen diese Herausforderung durch die Implementierung von ETL-Prozessen (Extraktion, Transformation, Laden) zwischen Silos fรผr spezifische Geschรคftsfunktionen zu bewรคltigen. Dies fรผhrt jedoch zu einer Beeintrรคchtigung der Datenqualitรคt und einer Erhรถhung des regulatorischen Risikos. Darรผber hinaus steigen, aufgrund der teuren ETL-Prozesse, auch die Kosten fรผr die Kontenabstimmung sowie die Gesamtbetriebskosten deutlich an. Um die Abstimmung รผber verschiedene Silos hinweg zu ermรถglichen, werden hรคufig Teilinformationen in relationalen Data Warehouses gespeichert, wo sie von Benutzern รผber Abfragen, anhand eines starren Schemas, ausgelesen werden. รnderungen an diesen Schemata erfordern den Einsatz umfangreicher betrieblicher Ressourcen: รnderungen mรผssen getestet, Abfragen validiert und Prozesse fรผr die รnderungskontrolle berรผcksichtigt werden. Es kann Stunden, Tage oder sogar Monate dauern, die Daten erneut zu verarbeiten, bevor sie den Benutzern bereitgestellt werden kรถnnen.
Einfรผhrung in die Datenpunktmodellierung (DPM)
Die Datenpunktmodellierung (DPM) bietet klare Vorteile gegenรผber der herkรถmmlichen relationalen Datenmodellierung. Der auf XBRL (eXtensible Business Reporting Language) basierende Ansatz entkoppelt das Datenmodell vom Ausgabeformat und bietet damit nicht nur Zugriff auf spezifische Daten, sondern auch Flexibilitรคt. Des Weiteren ermรถglicht er die Umwandlung relationaler Datenstrukturen in ein nicht relationales Datenpunktmodell (DPM). Diese Methode umfasst die Aufschlรผsselung der Tabellenfelder in eine Reihe von Aspekten (Facetten). Dabei werden die Beziehungen zwischen den einzelnen Aspekten aufgezeichnet, um die Referenz-Integritรคt zu gewรคhrleisten.
Auf Grundlage dieser Aspekte wird eine Liste sรคmtlicher eindeutiger Werte erstellt. Diese werden als Werte gespeichert. Jeder Wert wird nur einmal aufgezeichnet. Die Datenpunkte werden anschlieรend mit den Werten der jeweiligen Aspekte verknรผpft.
Mittlerweile gibt es nun eine Datenbank-Plattform und eine Modellierungslรถsung, die diesen Herausforderungen gewachsen sind:
MarkLogicยฎ ist eine nicht relationale, Multi-Modell-Datenbank-Plattform, die sowohl eine RDF-Tripel-Datenbank als auch eine Dokumentendatenbank umfasst. Diese speichert die Quelldaten in ihrer nativen Form gemeinsam mit dem generierten RDF-Tripel. ModelDR stellt eine Datenpunktmodellierungslรถsung dar, mit deren Hilfe die Generierung und Zuordnung von RDF- und Transformationsdesigns in der Multi-Modell-Datenbank-Plattform visualisiert und verwaltet werden kรถnnen.
Die Datenbank-Plattform
Diese Datenbank-Plattform wurde speziell fรผr die Daten von heute, einschlieรlich Dokumenten, Beziehungen und Metadaten, konzipiert. Darรผber hinaus ist sie die einzige Datenbank, die JSON, XML, RDF und viele weitere Formate nativ speichern und schnell abfragen kann. Sie erhalten somit eine einzige leistungsstarke Plattform fรผr alle Ihre Daten. Das dokumentenzentrierte Datenmodell ist schemaagnostischย und bietet Flexibilitรคt bei der Datenmodellierung, da neu aufgenommene Daten nicht erst in Tabellenform aufgegliedert werden mรผssen.
